Nvidia lança modelo de voz de 34B que transcreve áudios de até uma hora

Arquitetura híbrida ativa apenas fração dos parâmetros por tarefa

A fabricante construiu o projeto sobre o modelo base nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 e treinou os pesos no conjunto de dados nvidia/Granary-v2 pela biblioteca NeMo Speech. A estrutura combina blocos Mamba-2 e Transformer em uma arquitetura de mistura de especialistas, apoiada por codificadores paralelos dedicados ao reconhecimento da fala e à identificação de cada locutor. Durante o processamento do som, o modelo ativa apenas cerca de 4,3 bilhões de parâmetros, incluindo o codificador de áudio. Os pesos saem em BF16, FP8 e NVFP4.

O modelo cumpre tarefas de transcrição literal ou escrita, tradução de fala, identificação de idioma, marcação de marcas temporais por palavra e respostas a perguntas formuladas sobre o áudio gravado. O treinamento incluiu acompanhamento de instruções de texto e tarefas para identificar e ocultar informações de identificação pessoal. O usuário desliga o raciocínio e fixa temperatura zero para transcrições diretas, mas ativa o modo de pensamento com enable_thinking=True, temperatura de 0,6 e top_p de 0,95 para tarefas analíticas. A decodificação suporta o modelo DFlash2.

Em números de 12 de outubro de 2026, o modelo obteve 15,80% de erro médio em múltiplos falantes nos testes AMI, CALLHOME, Mixer 6 e NOTSOFAR-1, batendo os 16,83% do DiCoW v3.3 com DiariZen. No teste Preference-ASR, o erro caiu de 7,56% para 6,16% sob instruções de estilo, superando os 8,16% e 8,36% do Canary-Qwen. A taxa no Open ASR Leaderboard em inglês cravou 4,71% em nove bases públicas contra o modelo concorrente Qwen3-AS. O índice bateu os rivais abertos.

Requisito de memória restringe operação a placas de data center

A documentação oficial da Nvidia especifica uma GPU H100 de 80 GB como requisito de hardware para colocar o sistema em funcionamento. Esse patamar técnico afasta qualquer computador comum de mesa ou notebook de desenvolvimento, equipamentos que passam longe de carregar essa memória gráfica. Mesmo com arquivos quantizados em FP8 e NVFP4 ao lado da versão de referência BF16, a estrutura completa exige servidores dedicados de data center. A máquina pessoal não aguenta o peso.

A Nvidia distribui os arquivos sob a licença OpenMDW-1.1, termo que autoriza explicitamente o uso comercial e não comercial da ferramenta. No catálogo do Hugging Face, o projeto já soma 38.942 downloads no mês e 706 curtidas registradas por usuários da biblioteca NeMo. Para quem constrói sistemas de inteligência artificial no Brasil, o suporte oficial ao português viabiliza tarefas locais em empresas que tratam áudios sob sigilo legal e precisam aplicar o módulo de ocultação de dados pessoais sem depender de APIs externas. O controle fica nas mãos do operador.